大家好，我是唯庸。

最近在研究智能体在 B 端的落地，本文作为思考的一些整理输出

AI 智能体在企业落地的三个阶段：RAG、Workflow、Agent

一、 智能体与Agent

1. 1. 营销术语模糊化：
   很多公司在推广产品时，可能会故意模糊一些技术术语，把“工作流”包装成“智能体”，以突出产品的“智能化”特性。但实际上，工作流本质上并不具备智能体的学习能力和自主决策能力。
2. 2. 功能交叉：
   在某些情况下，工作流中可能会嵌入一些具有智能特性的模块（如基于AI的推荐或决策），这让它看起来更像是一个“智能体”。但整体来看，工作流的核心仍然是按照规则执行任务，而非自主决策。
3. 3. 对智能体概念的误解：
   在国内外技术传播过程中，可能存在对“智能体”概念的误用或扩展，导致一些不具备智能体核心特性的系统被称为“智能体”。

二、为什么是这三个方向

2.1 RAG：基础落地

特点

• RAG 是一种结合了检索（Retrieval）和生成（Generation）的技术，能够通过调用外部知识库或数据库来增强语言模型的回答能力。
• RAG 的主要作用是解决大模型的知识局限性问题，使其能够实时访问最新的信息或特定领域的知识，并生成更准确和实用的回答。

落地原因

1. 1. 技术门槛较低：

• RAG 的实现相对简单，只需要将大语言模型（LLM）与检索系统（如向量数据库、搜索引擎）结合即可。
• 许多现成的工具（如 dify、RAGflow、FastGPT 等）可以快速搭建 RAG 系统。

• 在企业知识问答、文档搜索、客户支持等场景中，用户需要准确、实时的信息，而 RAG 可以很好地满足这些需求。
• 例如，法律、医疗等领域的专业文档问答，RAG 可以通过检索权威数据源提供可靠答案。

• RAG 已经在企业文档管理、客户服务、教育等领域有了大量应用，市场需求明确且容易验证 ROI。

总结

RAG 是智能体应用的基础，因为它直接提升了大模型的实用性，并且技术实现和商业价值都较为明确。

2.2 Workflow（工作流）：中层落地

特点

• Workflow 是指以固定的代码流程的形式，来自动化处理复杂的业务流程，例如审批、数据处理、任务分配等。
• 它通常涉及多个步骤的协作，可能需要调用不同的 API、数据库或其他工具。

落地原因

1. 1. 复杂性提升：

• Workflow 比 RAG 更复杂，因为它需要将多个任务串联起来，并确保执行的逻辑性和可靠性。
• 例如，自动化的订单处理可能涉及库存查询、支付验证、物流安排等多个步骤。

• 企业中有大量重复性、规则性强的工作需要自动化，智能体在工作流自动化中可以显著提高效率。
• 例如，财务报表生成、合同审批流程等场景，智能体可以辅助完成。

• 随着 RAG 和其他技术的普及，许多工具链（如 Dify、Coze、n8n 等）已经可以支持复杂的工作流自动化。

总结

Workflow 是智能体应用的中间阶段，因为它需要在技术上整合更多的模块，同时市场需求也逐渐从单一任务（如信息检索）转向复杂任务的自动化。

2.3 Agent：高级落地

特点

• Agent 是一种更复杂、更智能的应用形态，能够自主感知环境、规划任务并执行操作，甚至可以在不确定性环境中进行决策。
• 智能体通常需要结合多种技术（如强化学习、动态规划）来实现高水平的智能行为。

落地原因

1. 1. 技术门槛最高：

• Agent 的实现需要更强的技术支持，包括任务规划、上下文理解、多模态交互等。
• 它不仅需要调用外部工具，还需要在复杂场景中实现动态调整和自适应能力。
• 垂直场景下的 Agent 往往需要用到微调，对一般企业来说是巨大的时间成本与人力、算力成本。

• Agent 的潜力巨大，但目前的市场需求还集中在较为明确的任务上（如 RAG 和 Workflow）。
• 在一些高复杂度场景中（而 B 端场景多为此类复杂、容错率低场景），Agent 的能力仍在探索中。

• Agent 的构建往往需要以 RAG 和 Workflow 为基础。RAG 提供知识支撑，Workflow 提供任务执行框架，Agent 则在此基础上实现更高层次的智能化。
• 例如，一个智能客服 Agent 可能需要先通过 RAG 获取知识，再通过 Workflow 完成用户请求的具体流程，最后实现全流程的自主化。

总结

Agent 是智能体应用的高级阶段，其落地需要更高的技术支持和更成熟的市场需求。

三、企业落地的另一面

3.1 RAG 的企业应用门槛为何更高？

数据质量与知识库建设

• 企业级 RAG 的核心是“高质量知识库”的构建和维护。这需要：
• 数据收集与整理：企业需要将内部的文档、数据库、日志等数据进行清洗、分类和结构化。
• 知识库更新与管理：知识库需要实时更新，以确保信息的准确性和时效性。
• 隐私与安全保障：企业数据通常涉及敏感信息，如何在检索过程中保护隐私并满足合规要求（如：部门权限、人员权限）是一个高门槛。

场景复杂性

• 企业应用中的 RAG 场景通常非常复杂。例如：
• 在法律或医疗领域，RAG 需要检索权威文档并生成高精准度的回答，错误成本极高。
• 在金融领域，RAG 可能需要实时处理动态数据（如股票行情）并结合历史数据生成预测。

技术复杂度

• RAG 的实现需要整合多种技术：
• 向量检索：需要搭建高效的向量数据库，并优化查询性能。甚至专业团队（如数据工程师、NLP 专家）进行系统开发和优化。
• 多模态数据支持：企业数据可能是文本、表格、图片、视频等多种格式，RAG 系统需要支持多模态检索和生成。
• 模型微调：为了满足企业特定需求，RAG 往往需要对大语言模型进行微调，增加其领域适配性。

3.2 Workflow 的企业应用为何相对简单？

明确的规则与流程

• Workflow 的核心是将企业中已有的业务流程进行自动化，这些流程通常是明确的、规则化的。例如：
• 自动审批流程：从表单提交到审批通过，逻辑清晰。
• 数据处理流程：定期从数据库中提取数据，生成报告。
• 由于这些流程的规则性强，开发难度相对较低。

工具生态成熟

• 当前市场上已经有许多成熟的 Workflow 搭建工具，无论是商业化产品还是开源框架：
• 低代码/无代码平台：如 Dify、Coze、n8n，可以让企业快速搭建自动化流程。
• API 集成工具：通过调用现成的 API，企业可以轻松实现跨系统的工作流连接。
• 模块化设计：Workflow 系统通常是模块化的，企业可以根据需求选择和组合功能。

技术实现门槛较低

• 相比 RAG，Workflow 的技术实现更侧重于逻辑编排和系统集成：
• 不需要复杂的模型训练，只需对现有工具和系统进行集成。
• 数据处理需求通常是结构化的，技术挑战较小。

快速验证 ROI

• Workflow 自动化的效果容易量化：减少人工操作时间、提高效率、降低错误率等。这使得企业更容易验证其投资回报（ROI），从而加快落地速度。

?关注我，原创文章第一时间查看。欢迎点赞、分享、在看，你的支持是我创作的最大动力~

点击下方?️“唯庸AI进化论”，关注公众号

专注 AI 智能体、AI 工具、AI 产品落地经验分享

朋友圈平时分享我的认知思考，v: wangweiyong0219，备注：公众号

免费知识星球，日常分享开源智能体学习案例，加入共学智能体

---

大家好，我是唯庸。

前字节 AI 产品经理，曾任职字节基座大模型相关项目组，参与对豆包、剪映、扣子等产品底层模型能力的支持。

当前专注 AI 智能体科普教育，企业 AI 智能化转型咨询，也做自己的独立产品。

推进 AI 普惠，人人都能用 AI，人人都能用好 AI。